نقش الگوریتم‌های پیش‌بینی جرم در پیشگیری از حوادث شهری

خیابان‌های تاریک و محله‌های شلوغ کلان‌شهرها همواره کانون‌های بالقوه وقوع جرایم گوناگون بوده‌اند که پلیس به طور سنتی با گشت‌زنی‌های تصادفی تلاش در کنترل آن‌ها داشته است. اما امروز ریاضیات و داده‌کاوی به کمک نیروهای امنیتی آمده‌اند تا با تحلیل متغیرهای بی‌پایان محیطی، وقوع حوادث را پیش از رخ دادن پیش‌بینی کنند. استفاده از الگوریتم‌های پیش‌بینی جرم، تحولی بنیادین در استراتژی‌های حفظ نظم شهری ایجاد کرده و کلان‌داده‌ها را به سپری دفاعی در برابر بزهکاری تبدیل نموده است. چگونه خطوط ساده کد نویسی می‌توانند رفتار انسان‌ها را در زمان و مکانی خاص پیش‌بینی کنند؟

در این مقاله می‌خواهیم با هم مرور کنیم که فناوری‌های پیش‌بینی جرم چگونه در پیشگیری از حوادث شهری نقش‌آفرینی می‌کنند. آیا واقعاً می‌توان به پیش‌بینی‌های یک ماشین در حوزه پیچیده رفتارهای انسانی اعتماد کرد یا این فرآیند ما را به سمت قضاوت‌های ناعادلانه سوق می‌دهد؟ با واکاوی مکانیزم‌های فنی پردازش داده‌های مکانی، بررسی سیستم‌های هوشمند فعال در شهرهای بزرگ و تحلیل دغدغه‌های حقوق بشری پیرامون تبعیض‌های الگوریتمی، تلاش می‌کنیم تصویری واقع‌بینانه از این تکنولوژی ارائه دهیم. در ادامه، جنبه‌های مختلف علمی و چالش‌های پنهان این ابزارها را بررسی خواهیم کرد.

از نقشه‌های پین‌دار تا کلان‌داده‌ها؛ سیر تحول تحلیل جرم

برای دهه‌ها، اداره‌های پلیس در سراسر جهان از نقشه‌های کاغذی بزرگی استفاده می‌کردند که با سنجاق‌های رنگی تزیین شده بود تا محل وقوع جرایم مختلف را علامت‌گذاری کنند. این روش سنتی اگرچه الگوهای کلی تجمع جرم را نشان می‌داد، اما کاملاً غیرپویا بود و توانایی پیش‌بینی حوادث آینده یا واکنش سریع به تغییر رفتارهای بزهکاران را نداشت. با ورود کامپیوترها در اواخر قرن بیستم، سیستم‌های اطلاعات جغرافیایی (GIS) جایگزین نقشه‌های کاغذی شدند و اولین گام‌ها برای دیجیتالی کردن تحلیل جرم برداشته شد.

امروز با پیدایش اینترنت اشیاء و شبکه‌های متصل شهری، تحلیل جرم به حوزه کلان‌داده‌ها (Big Data) وارد شده است. دیگر تنها به اطلاعات پرونده‌های قبلی بسنده نمی‌شود؛ بلکه جریانی مداوم از داده‌های ترافیکی، فعالیت‌های شبکه‌های اجتماعی، ثبت گزارش‌های مردمی و حتی داده‌های آب و هوایی به سیستم‌های پردازش ابری تزریق می‌شود. این حجم عظیم از اطلاعات خام، بستر مناسبی را برای آموزش الگوریتم‌های پیچیده‌ای فراهم کرده است که می‌توانند رفتارهای مجرمانه را پیش از وقوع مدل‌سازی کنند.

معماری فنی الگوریتم‌های پیش‌بینی مکان‌های بحرانی

هسته اصلی سیستم‌های پیش‌بینی جرم بر پایه مدل‌های ریاضی پیشرفته نظیر فرآیندهای نقطه‌ای هاوکس (Hawkes Point Processes) بنا شده است که در اصل برای پیش‌بینی پس‌لرزه‌های زلزله طراحی شده بودند. این فرآیند بر این فرض استوار است که وقوع یک جرم در یک نقطه و زمان خاص، احتمال وقوع جرایم مشابه را در نزدیکی آن مکان و در آینده‌ای نزدیک به شدت افزایش می‌دهد. الگوریتم با تحلیل مستمر مختصات جغرافیایی و زمان وقوع رویدادهای قبلی، ضریب احتمال شیوع جرم را برای بلوک‌های شهری مختلف محاسبه می‌کند.

در این الگو، نقشه‌های شهری به شبکه‌های کوچکی تقسیم می‌شوند که ابعاد آن‌ها معمولاً صدمتر در صدمتر است. سیستم با استفاده از روش‌های یادگیری ماشین نظیر شبکه‌های عصبی عمیق، رفتارهای تکرارشونده و کانون‌های تمرکز بزهکاری را در زمان‌های مختلف روز شناسایی می‌کند. خروجی این پردازش‌ها، نقشه‌های حرارتی پویایی است که مسیرهای بهینه گشت‌زنی را برای گشت‌های پلیس مشخص کرده و به تخصیص هوشمندانه‌تر منابع محدود نیروی انتظامی کمک شایانی می‌کند.

متغیرهای پنهان؛ از تغییرات آب و هوا تا نوسانات اقتصادی

یکی از زوایای جذاب الگوریتم‌های پیش‌بینی جرم، توانایی آن‌ها در ادغام متغیرهای غیرمستقیم محیطی با الگوهای رفتاری مجرمان است. به عنوان مثال، تحقیقات نشان می‌دهند که دمای هوا، میزان رطوبت و حتی فازهای ماه می‌توانند بر میزان تنش‌های رفتاری و در نتیجه وقوع جرایم خشن تاثیر بگذارند. الگوریتم‌های مدرن این متغیرهای هواشناسی را با تقویم‌های محلی، روزهای پرداخت حقوق کارمندان و زمان برگزاری مسابقات بزرگ ورزشی ترکیب می‌کنند تا دقت پیش‌بینی‌ها را به حداکثر برسانند.

کاهش یا افزایش روشنایی معابر شهری، میزان تراکم مغازه‌های خرده‌فروشی و حتی نرخ بیکاری موقت در یک محله، از دیگر فاکتورهایی هستند که در این محاسبات وزن‌دهی می‌شوند. با تحلیل همزمان این حجم از متغیرهای ناهمگون، سیستم می‌تواند زمان‌هایی را که پتانسیل بالایی برای سرقت یا نزاع‌های خیابانی دارند، با دقت بالایی مشخص کند. این رویکرد چندرشته‌ای نشان می‌دهد که جرم صرفاً یک تصمیم فردی ناگهانی نیست، بلکه برآیندی از شرایط پیچیده محیطی و اجتماعی اطراف فرد است.

تحلیل زمان واقعی داده‌های شهری؛ سنسورها و دوربین‌های هوشمند

نسل جدید پلتفرم‌های پیشگیری از جرم، به جای تکیه انحصاری بر گزارش‌های بایگانی شده، اطلاعات زنده را از سراسر شهر دریافت و تحلیل می‌کنند. دوربین‌های مداربسته مجهز به بینایی ماشین (Computer Vision) می‌توانند رفتارهای مشکوک مانند تجمع ناگهانی افراد یا پرسه زدن‌های طولانی در اطراف بانک‌ها را شناسایی کنند. سنسورهای صوتی تشخیص شلیک گلوله که در نقاط مختلف شهر نصب می‌شوند، در کسری از ثانیه محل دقیق شلیک را به سیستم گزارش می‌دهند.

این اطلاعات به سرعت با داده‌های ترافیکی و گزارش‌های دریافتی از مرکز فوریت‌های پلیسی ترکیب شده و الگوریتم پیش‌بین را به‌روزرسانی می‌کنند. به این ترتیب، اگر حادثه‌ای در یک نقطه رخ دهد، نقشه حرارتی جرم کل منطقه در همان لحظه تغییر کرده و مسیرهای فرار احتمالی و نقاط داغ بعدی به واحدهای گشتی ارسال می‌شود. این تعامل پویا و بدون وقفه میان سنسورها و مراکز پردازش داده، زمان واکنش پلیس به حوادث را به حداقل ممکن کاهش می‌دهد.

نرم‌افزارهای پیشرو در پیش‌بینی جرم و متدولوژی کاری آن‌ها

در بازار نرم‌افزارهای امنیتی، ابزارهای مختلفی طراحی شده‌اند که هرکدام از متدولوژی‌های خاصی برای تحلیل و پیش‌بینی استفاده می‌کنند. به عنوان مثال، برخی نرم‌افزارها با تمرکز بر پیش‌بینی مبتنی بر جغرافیا، نقشه‌های حرارتی دقیقی از نقاط پرخطر تولید می‌کنند که روزانه برای ماموران پلیس ارسال می‌شود. پلتفرم‌های دیگر بر تحلیل شبکه‌های اجتماعی و داده‌های متنی تمرکز دارند تا بتوانند تنش‌های آنلاین میان گروه‌های رقیب را ردیابی کرده و احتمال درگیری‌های فیزیکی بعدی را حدس بزنند.

این نرم‌افزارها با استفاده از پایگاه‌های داده عظیم تاریخی، به طور مداوم الگوهای خود را با واقعیت‌های میدانی مقایسه و اصلاح می‌کنند. استفاده از این ابزارها در شهرهایی مانند شیکاگو و لس‌آنجلس نشان داده است که تخصیص منابع بر اساس خروجی ماشین، می‌تواند به کاهش موقت برخی جرایم خاص کمک کند. با این حال، شیوه کارکرد درونی این نرم‌افزارها و الگوریتم‌های بسته‌ای که تحت مالکیت شرکت‌های خصوصی هستند، انتقادات زیادی را به همراه داشته است.

چالش سوگیری داده‌ها و تشدید رفتارهای تبعیض‌آمیز پلیس

بزرگ‌ترین پاشنه آشیل فناوری‌های پیش‌بینی جرم، پدیده سوگیری الگوریتمی (Algorithmic Bias) است که ناشی از خطاهای موجود در داده‌های ورودی تاریخی است. اگر در گذشته، پلیس به دلیل سوگیری‌های نژادی یا طبقاتی، حضور سنگین‌تری در محله‌های فقیرنشین داشته و گزارش‌های بیشتری را ثبت کرده باشد، الگوریتم این الگو را به عنوان حقیقت مطلق می‌پذیرد. در نتیجه، سیستم به طور مداوم آن مناطق را به عنوان نقاط داغ جرم معرفی کرده و پلیس را دوباره به همان‌جا هدایت می‌کند.

این فرآیند منجر به ایجاد یک چرخه معیوب می‌شود که در آن، محله‌های خاص همواره تحت نظارت شدید امنیتی قرار می‌گیرند، در حالی که جرایم مشابه در محله‌های مرفه‌تر به دلیل عدم گشت‌زنی کافی ثبت نمی‌شوند. کارشناسان حقوق مدنی هشدار می‌دهند که این سیستم‌ها به جای پیش‌بینی جرم واقعی، در واقع در حال پیش‌بینی رفتارهای سنتی و سوگیری‌های خود نهادهای مجری قانون هستند. بدون اصلاح داده‌های ورودی و اعمال فیلترهای ضدتبعیض، هوش مصنوعی تنها به ابزاری برای مشروعیت بخشیدن به رفتارهای ناعادلانه تبدیل می‌شود.

حلقه بازخورد خودتقویت‌کننده؛ وقتی پیش‌بینی خود به واقعیت تبدیل می‌شود

یکی از پدیده‌های نگران‌کننده در روانشناسی اجتماعی و علوم داده، پدیده پیش‌بینی خودشکوفا (Self-Fulfilling Prophecy) در حوزه پلیس الگوریتمی است. زمانی که نرم‌افزار یک پهنه شهری خاص را به عنوان منطقه با ریسک بالای سرقت معرفی می‌کند، تمرکز نیروها و گشت‌زنی‌ها در آنجا متمرکز می‌شود. با افزایش تعداد ماموران در یک نقطه مشخص، به طور طبیعی نرخ کشف جرایم خرد مانند حمل مواد مخدر یا تخلفات ترافیکی ساده افزایش می‌یابد.

این افزایش در ثبت گزارش‌ها، بار دیگر به عنوان داده جدید به الگوریتم بازخورد داده می‌شود و سیستم در محاسبات بعدی خود، آن نقطه را خطرناک‌تر از قبل ارزیابی می‌کند. این حلقه بازخورد بسته، توهم دقت بالای الگوریتم را ایجاد می‌کند، در حالی که در واقعیت، توزیع جرایم در سطح شهر تغییر نکرده و فقط تمرکز پلیس جابه‌جا شده است. این پدیده باعث می‌شود که منابع پلیس در نقاط محدودی قفل شده و از امنیت دیگر بخش‌های شهر غافل شوند.

تفاوت میان پیش‌بینی جرم مکان‌محور و فردمحور

در حوزه پیش‌بینی جرم، تفکیک آشکاری میان دو رویکرد اصلی وجود دارد: پیش‌بینی مکان‌محور (Place-based) و پیش‌بینی فردمحور (Person-based). رویکرد مکان‌محور بر جغرافیا و متغیرهای محیطی تمرکز دارد و تلاش می‌کند بدون شناسایی هویت افراد، زمان و مکان تقریبی وقوع حوادث را تخمین بزند. این روش به طور کلی حساسیت‌های حقوقی کمتری برمی‌انگیزد، چرا که به بررسی کانون‌های فیزیکی جرم می‌پردازد.

در مقابل، پیش‌بینی فردمحور با تحلیل سوابق جنایی، رفتارهای آنلاین، ارتباطات خانوادگی و شبکه‌های دوستی اشخاص، احتمال ارتکاب جرم توسط یک فرد خاص را محاسبه می‌کند. این رویکرد شباهت‌های نگران‌کننده‌ای به سناریوهای فیلم‌های علمی‌تخیلی دارد و با انتقاد شدید مدافعان حقوق شهروندی مواجه شده است. لیست‌های هشداردهنده‌ای که افراد را بر اساس فرمول‌های ریاضی به عنوان مجرمان بالقوه آینده طبقه‌بندی می‌کنند، می‌توانند اصل برائت را پیش از ارتکاب هرگونه جرم نقض کنند.

حریم خصوصی شهروندان در مواجهه با نظارت‌های پیشگیرانه بی‌پایان

توسعه سیستم‌های پیش‌بینی جرم رابطه مستقیمی با افزایش نظارت‌های عمومی و کاهش حریم خصوصی شهروندان در فضاهای شهری دارد. برای اینکه الگوریتم‌ها بتوانند با حداکثر دقت کار کنند، نیاز به ردیابی مداوم رفتارهای عمومی، تصاویر دوربین‌های تشخیص چهره و پایش پلاک خودروها دارند. این سطح از نظارت همه‌جانبه، فضایی از ناامنی روانی و احساس تحت کنترل بودن همیشگی را در جامعه تزریق می‌کند.

بسیاری از شهروندان نگران هستند که داده‌های حرکتی روزمره آن‌ها بدون اجازه ذخیره شده و در آینده علیه خودشان در الگوریتم‌های اعتبارسنجی اجتماعی یا پرونده‌های حقوقی استفاده شود. عدم شفافیت درباره اینکه چه داده‌هایی جمع‌آوری می‌شوند، چه کسانی به آن‌ها دسترسی دارند و چگونه تحلیل می‌شوند، دیوار بی‌اعتمادی میان مردم و حاکمیت شهری را ضخیم‌تر می‌کند. حفاظت از آزادی‌های فردی در برابر میل سیری‌ناپذیر سیستم‌های امنیتی به داده، از چالش‌های بزرگ قانون‌گذاری مدرن است.

ارزیابی اثربخشی؛ آیا واقعاً آمار جرایم کاهش یافته است؟

با وجود تبلیغات گسترده شرکت‌های توسعه‌دهنده نرم‌افزارهای پیش‌بینی جرم، مطالعات مستقل درباره اثربخشی واقعی این سیستم‌ها نتایج متناقضی را نشان می‌دهند. برخی پژوهش‌ها در شهرهای مختلف حاکی از کاهش جزئی در آمار سرقت خودرو یا دزدی از خانه‌ها در پی استفاده از گشت‌های هدفمند الگوریتمی است. با این حال، منتقدان استدلال می‌کنند که این تغییرات ممکن است ناشی از جابه‌جایی جغرافیایی جرم به محله‌های مجاور باشد، نه نابودی کامل آن.

علاوه بر این، در مورد جرایم خشن و ناگهانی مانند قتل یا نزاع‌های خانوادگی، این الگوریتم‌ها کارایی بسیار پایینی دارند، چرا که این حوادث کمتر از الگوهای جغرافیایی تکرارپذیر پیروی می‌کنند. به دست آوردن آمارهای دقیق دشوار است، زیرا متغیرهای اقتصادی و اجتماعی متعددی همزمان بر نرخ جرم تاثیر می‌گذارند و نمی‌توان همه تغییرات را به اجرای یک نرم‌افزار جدید نسبت داد. این تردیدها باعث شده تا برخی شهرهای بزرگ دنیا بودجه این سیستم‌ها را قطع کنند.

واکنش افکار عمومی و نهادهای مدنی به پلیس الگوریتمی

افزایش استفاده از هوش مصنوعی در ساختارهای پلیسی با مقاومت‌های جدی از سوی سازمان‌های حقوق بشری و فعالان مدنی مواجه شده است. کمپین‌های متعددی در کشورهای مختلف خواستار توقف استفاده از این الگوریتم‌ها به دلیل نقض حقوق اقلیت‌ها و ایجاد پیش‌داوری‌های سیستمی شده‌اند. اعتراضات عمومی در برخی شهرها منجر به صدور مصوباتی شد که استفاده از فناوری‌های تشخیص چهره زنده و سیستم‌های پیش‌بینی فردمحور را برای پلیس ممنوع کردند.

مخالفان استدلال می‌کنند که واگذاری تصمیم‌گیری‌های حیاتی امنیتی به کدهای غیرشفاف شرکت‌های خصوصی، نظارت دموکراتیک بر عملکرد پلیس را ناممکن می‌سازد. از سوی دیگر، حامیان این فناوری معتقدند که با تنظیم قوانین نظارتی دقیق و اصلاح فرآیندهای وزن‌دهی داده‌ها، می‌توان بدون آسیب به حقوق شهروندی از این ابزارها برای بهبود توزیع عادلانه امنیت استفاده کرد. این مجادلات نشان‌دهنده لزوم ایجاد یک توازن ظریف میان امنیت عمومی و آزادی‌های فردی است.

آینده امنیت شهری؛ ترکیب هوش مصنوعی مولد و شبیه‌سازی‌های رفتاری

آینده پیشگیری از جرم در شهرها به سمت مدل‌های شبیه‌سازی بسیار پیچیده‌تر حرکت می‌کند که فراتر از پیش‌بینی‌های مکانی ساده هستند. با ترکیب هوش مصنوعی مولد و شبیه‌سازی‌های مبتنی بر عامل (Agent-based modeling)، سیستم‌ها قادر خواهند بود سناریوهای مختلف واکنش شهری را در برابر حوادث مختلف شبیه‌سازی کنند. این فناوری‌ها به جای پیش‌بینی صرف، راه‌حل‌های بهینه‌سازی فیزیکی محیط مانند تغییر در طراحی روشنایی معابر یا معماری خیابان‌ها را برای کاهش جرم پیشنهاد می‌دهند.

همچنین، استفاده از مدل‌های پیش‌بین برای مدیریت هوشمند بحران‌های طبیعی، ترافیک و توزیع خدمات اضطراری، امنیت شهری را به صورت جامع‌تری تعریف خواهد کرد. در این آینده، پیشگیری از جرم به عنوان بخشی از یک سیستم مدیریت یکپارچه شهری عمل می‌کند که هدف آن ارتقای کیفیت زندگی و کاهش تنش‌های اجتماعی است، نه فقط اعمال کنترل پلیسی بیشتر. تحقق این چشم‌انداز مستلزم توسعه اخلاق‌محور فناوری و مشارکت فعال شهروندان در فرآیندهای تصمیم‌گیری است.

سوالات متداول

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک